بخشی از مقاله
چکیده :
براي برآورد دبی حداکثر لحظه اي سیل با دوره برگشت هاي مورد نظر براي حوضه هاي فاقد داده هاي هیدرومتري یکی از روش هایی که استفاده می شود روش تحلیل منطقه اي سیلاب می باشد، در این روش دبی حداکثر لحظه اي سیل تابعی از وسعت حوضه تعریف می شود . ولی انتظار می رود شدت سیل تابعی از سایرپارامترهاي فیزیوگرافی و اقلیمی باشد . در این راستا به دلیل وجود روابط غیر خطی وپیچیده بین عوامل موثر بر دبی حوضه از مدل شبکه هاي عصبی مصنوعی - - ANN استفاده شده است .
این مدل در واقع یک مدل جعبه سیاه است که بدون آگاهی یا با آگاهی کم از فرآیند درونی سیستم، ورودي ها را به خروجی ها - یا خروجی - تبدیل می نماید. این وضعیت در واقع مشابهت این مدل را با روابط رگرسیونی می رساند، با این تفاوت که قابلیت انعطاف مدل ANN در تنظیم وزن ها بیشتر بوده و لذا به عنوان جایگزین براي رگرسیون هاي چند متغیره استفاده می شود. هدف از ارائه این مقاله کاربرد مدل منطقه اي سیلاب توسط شبکه هاي عصبی مصنوعی براي تخمین دبی هاي حداکثر لحظه اي سیلاب با دوره برگشت هاي مختلف در حوضه آبریز ماسال در استان گیلان و مقایسه آن با مدل رگرسیونی می باشد، که نشان دهنده برتري شبکه هاي عصبی مصنوعی است.
-1 مقدمه:
سیل از جمله پدیده هایی است که هر ساله خسارت هاي جبران ناپذیري به اقتصاد کشورها وارد می کند. لذا پژوهش در خصوص ویژگی هاي این پدیده طبیعی از اهمیت وافري برخوردار است. از پارامترهاي مهم در معرفی سیلاب ها حداکثر دبی با دوره برگشت هاي مختلف می باشد. که همیشه در طراحی سازه هاي آبی تخمین مناسبی از آن مورد نیاز بوده و از نظر اقتصادي نقش تعیین کننده اي در محاسبه حجم عملیات سازه اي ایفا می کند.
در بسیاري از حوضه ها خصوصیات فیزیوگرافی نقش موثري در تولید و پیک سیلاب ایفا می کند، این ویژگی ها با گذشت زمان هاي نسبتا طولانی ثابت بوده و لذا می توان از آنها به عنوان پارامتر مستقل براي تخمین سیلاب به خصوص در مناطقی که فاقد داده هاي هیدرومتري - - Ungauged Catchment هستند استفاده نمود و این ویژگی ها در حوضه هاي فاقد آمار مهم ترین نقش را در برآورد هاي هیدرولوژي دارند.
تحلیل منطقه اي سیلاب روشی است که در حوضه هاي فاقد آمار جریان با استفاده از آمار جریان سیلاب در حوضه هاي مجهز به ایستگاهاي هیدرومتري روابطی بین مقادیر جریان سیل و برخی از ویژگیهاي مورفولوژي، فیزیوگرافی، اقلیمی ، زمین شناسی ، خاك شناسی ، پوشش گیاهی و نحوه کاربري اراضی حوضه ها برآورد می کند در واقع داده هاي موجود و محدود منطقه مورد نظر به روش هاي مختلف براي تمام منطقه تعمیم می دهد در این راستا روش هاي گوناگونی معرفی شده است از جمله: روش سیل شاخص - IF - رگرسیون چند متغیره - MRM - شبکه هاي مربعی - SGM - روش هیبرید - [1,2,3] . - HM از روش هاي فوق روش رگرسیون چند متغیره در مقالات و گزارش هاي ایران و جهان بیشتر به چشم خورده و ارا ئه شده و نتایج نسبتا قابل قبولی ارائه داده است.
در دهه ي حاضر شاهد گسترش شبکه عصبی مصنوعی و کاربردش در مدل هاي هیدرولوژیکی هستیم.اصلی ترین مزیت نگرش شبکه عصبی مصنوعی نسبت به روش هاي سنتی این است کهANN نیازي به توضیح صریح طبیعت پیچیده فرایندها به صورت ریاضی ندارد. [4] اغلب مدل هاي هیدرولوژیکی تحلیل آنها بر اساس روابط فیزیکی - - White Box امکان پذیر نبوده و ا ز پیچیدگی زیادي برخوردارند.[5] روش حل عصبی براي مدل سازي مسائل هیدرولوژیکی بکار گرفته شده است، از جمله مدل سازي بارش _ رواناب ، پیش بینی دبی رودخانه ها [5,6] و مطالعات کمتري در زمینه برآورد سیل در مناطق فاقد داده صورت گرفته ا ست.
براي برآورد حداکثر دبی سیلاب حوضه هاي رودخانه اي در آمریکا، Hall and Minns.1998 پارا مترهاي توزیع احتمال گامبل - EV1 - را براي برآورد سیلاب سالانه، بادر نظر گرفتن شش خصوصیت فیزیکی حوضه در انگلستان بدست آورد، Hall et al.2000 در سوماترا دو پارامتر توزیع گامبل را براي چهار و دوازده خصوصیت حوضه بدست آوردند.Z.Jing and M.J. [7] Hall.2004 در چین از داده هاي 86 حوضه تحلیل منطقه اي سیلاب را انجام داده و سه پارامتر توزیع مقادیر حدي تعمیم یافته - GEV - را از پنج خصوصیت حوضه برآورد کرده اند و دریافتند که نسبت به روش رگرسیون چند گانه نتایج بهتري بدست می آیدDawson et al.2006 .[8] با بررسی شبکه عصبی مصنوعی براي مناطق فاقد داده براي حوضه اي در ا نگلستان دبی حداکثر را با دوره برگشت هاي10،20 و30 ساله برآورد کردند ونتیجه گرفتند که با دوره برگشت هاي کمتر جواب هاي دقیق تري بدست می آید.[7] این مقاله کاربرد شبکه عصبی مصنوعی در برآورد حداکثر سیل در حوضه هاي استان گیلان با توجه به دسته عوامل فیزیوگرافی بررسی و ارزیابی کرده است.
-2 مواد وروش ها:
1-2 منطقه مورد مطالعه
استان گیلان با مساحتی معادل 13791 کیلومتر مربع بین مختصات جغرافیایی 48 , 32 تا 50 ,33 طول شرقی و36, 33 تا 38 , 29 عرض شمالی واقع می باشد . قسمت کم عرض آن در غرب و بخش عریض آن که به دشت گیلان معروف است در شرق آن قرار دارد. سراسر شمال گیلان را آبهاي ساحلی دریاي خزر فرا گرفته و از سه سوي دیگر به استان اردبیل در غرب ، به مازندران در شرق و به استان قزوین و زنجان در جنوب محدود می باشد.
در استان گیلان دریا و کوه به عنوان دو عامل طبیعی به این منطقه ویژگی خاصی بخشیده اند بدین معنی که دریا آب و هوایی معتدل را موجب گشته است در حالیکه کوهستان با قله هایی به ارتفاع 2500 تا 3000 متر به صورت سدي منطقه را از فلات داخلی جدا کرده است و در دامنه هاي شمالی خود جنگلهاي سرسبز و انبوهی را بوجود آورده است. در حوضه ماسال یا حوضه رودخانه خالکایی که به شهر ماسال ختم می شود، - شهر ماسال در 67 کیلو متري رشت واقع شده است - رودخانه خالکایی مهمترین زهکش این منطقه می باشد. نقش این رودخانه در تامین آب مورد نیاز اراضی کشاورزي شهرماسال از اهمیت خاصی برخوردار می باشد. بر روي رودخانه خالکائی دو ایستگاه هیدرومتري وجود دارد، که از آمار یکی از آنها که کامل بود براي تحلیل دبی استفاده شده است.
2-2 آمار و اطلاعات
از حوضه هاي استان گیلان آمار 28 ایستگاه آن براي تحلیل داده هاي دبی حداکثر لحظه اي اتنخاب شده است. با انتخاب دوره آماري مشترك 26ساله از سال 53 تا 79، دبی هاي حداکثر با توزیع هاي متداول در هیدرولوژي به کمک نرم افزار SMADA و به روش حداقل مربعات خطا ها مورد آزمون قرار گرفته و مقادیر حداکثر آن براي دوره هاي برگشت 5 ، 10 و 25 ساله محاسبه شده و در جدول 1 ارائه شده است.
از خصوصیات فیزیوگرافی حوضه ها پنج عامل مهم مساحت حوضه، طول آبراهه اصلی، شیب متوسط آبراهه اصلی، متوسط ارتفاع حوضه و ضریب گراویلیوس و همچنین پارامتر اقلیمی مقادیر متوسط بارندگی سالانه با توجه به نتایج پژوهش هاي اخیر انتخاب شده است. [2,8,10,11,12,13]در و جدول2 ارائه شده است. مدل هاي برآورد دبی با دوره برگشتهاي مختلف را می توان در دو حالت ارائه کرد، یکی با در نظر گرفتن مناطق همگن و دیگري بدون در نظر گرفتن مناطق همگن، در پژوهش حاضر به دلیل تعداد کم حوضه ها براي آموزش شبکه عصبی مصنوعی ارائه مدل براي کل منطقه و بدون در نظر گرفتن مناطق همگن انجام گرفته است. [12,14]
3-2 مدل هاي شبکه عصبی مصنوعی
در این پژوهش، شبکه هاي مورد نظر با استفاده از نرم افزارNeuroSolutions ایجاد شد. پارامتر هاي بررسی شده شامل مساحت حوضه، ارتفاع متوسط حوضه، شیب متوسط آبراهه حوضه، طول آبراهه اصلی، ضریب گراویلیوس، متوسط بارندگی سالیانه حوضه بودند. به دلیل کم بودن تعداد حوضه هاي با آمار کامل که شامل سال هاي آبی 1353 تا 1379 بود از روش 10-Fold براي تعیین بهترین شبکه استفاده نمودیم. در بررسی 28 حوضهنهایتاً پس از صحت سنجی شبکه ها سیل حوضه ماسال با دوره برگشت هاي مورد نظرتخمین زده شد.
